CN109859492A - 一种识别***的***和方法 - Google Patents
一种识别***的***和方法 Download PDFInfo
- Publication number
- CN109859492A CN109859492A CN201910238736.5A CN201910238736A CN109859492A CN 109859492 A CN109859492 A CN 109859492A CN 201910238736 A CN201910238736 A CN 201910238736A CN 109859492 A CN109859492 A CN 109859492A
- Authority
- CN
- China
- Prior art keywords
- library
- distance
- threshold value
- fake
- licensed car
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种识别***的***,该***包括数据源模块、时间窗口模块和距离计算模块。数据源模块包括嫌疑对象库、实体库、映射关系库,对象库、实体库、映射关系库的数据共同构成***模型数据库。时间窗口模块,根据业务场景制定阈值的大小,灵活调整滑窗范围。距离计算模块,基于距离计算公式,计算两地/多地之间的距离。
Description
技术领域
本发明属于交通大数据技术领域,特别涉及一种基于时间窗口及道路轨迹的识别***的***和方法。
背景技术
现阶段,在机动车号牌管理不严谨的情况下,套牌行为愈演愈烈,更有甚者涉及到了、军牌、警牌,由盗取、废车重现、贿赂取牌等手段让不法车辆重新上路,同时给相关案件侦破带来了棘手的阻碍。
***是一个危害极其严重的扰乱正常交通管制与管理的社会危害因素。目前可以从图像识别等技术来识别***,但是由于源库内数据的不及时更新从而导致了在车辆车型、颜色等识别上的误差,从而影响了后续的数据挖掘。为了能够在基于图像识别技术上对***再进行更有针对性,更精确的打击,需要一种基于时间窗口及道路轨迹识别***的方法。
发明内容
本发明提供一种识别***的***和方法,针对现有技术中的缺陷,目的在于解决以下的几点技术问题:
1)针对车辆进行相关道路轨迹识别,车辆轨迹是不可能被“套牌”的;
2)本着一车不能两地/多地同现的原则,结合时间窗口,精确打击***。
3)上述时间窗口是动态的,会根据相关不同种类机动车,结合相关业务场景,设定精确的时间窗口阈值,从而得到更准确的***对象。
本发明实施例之一,一种识别***的***,该***包括数据源模块、时间窗口模块和距离计算模块,其中
数据源模块包括嫌疑对象库、实体库、映射关系库,对象库、实体库、映射关系库的数据共同构成***模型数据库,
时间窗口模块,根据业务场景制定阈值的大小,灵活调整滑窗范围,
距离计算模块,基于距离计算公式,计算两地/多地之间的距离。
本发明的有益效果包括:
1)该方法利用时间窗口与距离计算相结合的稳定性与准确性,可以更加精确地识别***的行动轨迹,给后续相关案件带来侦破突破口;
2)该方法在计算极限距离时,设定时间窗口具有动态性,可以灵活地应对各种业务场景以及各种车型;
3)该方法可以作为图像识别技术后的二次验证,为精确度提供了保障。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,其中:
图1本发明实施例中基于时间窗口及道路轨迹的识别***的***组成示意图。
具体实施方式
根据一个或者多个实施例,如图1所示,一种识别***的***,该***包括数据源模块、时间窗口模块和距离计算模块。其中
数据源模块,包括了整个业务场景的相关数据中的(嫌疑)对象库、实体库、映射关系库。这三大数据源的数据共同构成了***ETL模型数据库。也可以自定义需要分析的车牌库。
时间窗口模块,根据业务场景制定阈值的大小,灵活调整滑窗范围,此模块支撑了整个模型的精确度。
距离计算模块,基于各种距离计算公式和相关函数计算两地/多地之间的距离。其中主要包括极限距离计算和欧式距离计算。欧几里得度量(euclidean metric)(也称欧氏距离)是一个通常采用的距离定义,指在m维空间中两个点之间的真实距离(二维平面(x1,y1)和(x2,y2)两点欧式距离或三维空间(x1,y1,z1)和(x2,y2,z2)两点欧式距离),或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。极限距离(也称最短间距),直接利用sqrt等相关函数和计算公式得出两点/多点之间的最短间距。
根据一个或者多个实施例,极限距离计算方法包括三个步骤,
步骤1,设置车辆轨迹映射,构建同一车牌在两点/多点形成的点位映射关系;
步骤2,设置时间窗口阈值;
步骤3,计算路径及设置理论距离阈值,根据业务场景以及需求,将点位经纬度结合适应性比较高的距离计算公式和相关函数等计算出两条/多条轨迹之间的间距。
所述步骤1包括如下步骤:
步骤1.1,取符合业务需求的相关时间区间内的车牌数据;
步骤1.2,结合实体库PGIS经纬度数据,把分析对象和实体形成映射关系库;
所述步骤2包括步骤:
步骤2.1,结合路况复杂程度和时间段来设置阈值;
所述步骤3包括步骤:
步骤3.1,将不同的业务场景对应不同的距离计算方法,确定该路段在相关时间段内的路况复杂程度得出车辆产生轨迹的max极限速度和min极限速度,然后得出平均极限速度;
步骤3.2,结合时间窗口模块,将速度和时间窗口阈值结合得出初步理论距离从而设置极限距离阈值。
根据一个或者多个实施例,一种识别***的方法,该方法包括:
构建***模型数据库,该数据库由嫌疑对象库和实体库形成映射关系库,并且由对象库、实体库和映射关系库的数据共同构成***模型数据库;
根据业务场景制定阈值的大小,调整滑窗范围;
基于距离计算公式,计算两地/多地之间的距离,该计算过程包括极限距离计算和欧式距离计算。
根据一个或者多个实施例,从对象库中提取一批早上6点到晚上9点行驶的车辆(时间段可以灵活自定义)作为分析数据源库。下面进入分析流程:
Step1:按照车A地点A(经纬度A)——车A地点B(经纬度B);
车A地点A(经纬度A)——车A地点C(经纬度C);
车A地点A(经纬度A)——车A地点D(经纬度D);
车B地点A(经纬度E)——车B地点B(经纬度F);
车B地点A(经纬度E)——车B地点C(经纬度G);
车B地点A(经纬度E)——车B地点D(经纬度H);
……
将同一车牌在各个地点的经纬度做成映射模式。
Step2:结合路况复杂程度设置时间窗口阈值为5min,该路况平均极限速度为120km/h,则我们需设置的理论距离阈值为10km(同车不可能在5min内在大于10km的两地同现)。
Step3:将时间窗口进行滑动,把在5min窗口内的映射数据筛选出来。符合的数据为(1)车A地点A(经纬度A)——车A地点C(经纬度C);(2)车B地点A(经纬度E)——车B地点C(经纬度G)这两条。
Step4:运用sqrt极限距离计算函数和欧式距离等计算公式,结合step3中两地的经纬度,计算得出(1)这条数据两点间距为8.5km,小于理论阈值,则不符合套牌。(2)这条数据两点间距为20.7km,大于理论阈值,则判定为嫌疑***,可交给相关部门进行进一步的验证。
值得说明的是,虽然前述内容已经参考若干具体实施方式描述了本发明创造的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (6)
1.一种识别***的***,该***包括数据源模块、时间窗口模块和距离计算模块,其中
数据源模块包括嫌疑对象库、实体库、映射关系库,对象库、实体库、映射关系库的数据共同构成***模型数据库,
时间窗口模块,根据业务场景制定阈值的大小,灵活调整滑窗范围,
距离计算模块,基于距离计算公式,计算两地/多地之间的距离。
2.根据权利要求1所述的识别***的***,其特征在于,距离计算模块包括极限距离计算模块和欧式距离计算模块。
3.根据权利要求2所述的识别***的***,其特征在于,极限距离计算模块包括三个步骤,
步骤1,设置车辆轨迹映射,构建同一车牌在两点/多点形成的点位映射关系;
步骤2,设置时间窗口阈值;
步骤3,计算路径及设置理论距离阈值,根据业务场景以及需求,将点位经纬度结合适应性比较高的距离计算公式和相关函数等计算出两条/多条轨迹之间的间距。
4.根据权利要求3所述的识别***的***,其特征在于,
所述步骤1包括如下步骤:
步骤1.1,取符合业务需求的相关时间区间内的车牌数据;
步骤1.2,结合实体库PGIS经纬度数据,把分析对象和实体形成映射关系库;
所述步骤2包括步骤:
步骤2.1,结合路况复杂程度和时间段来设置阈值;
所述步骤3包括步骤:
步骤3.1,将不同的业务场景对应不同的距离计算方法,确定该路段在相关时间段内的路况复杂程度得出车辆产生轨迹的max极限速度和min极限速度,然后得出平均极限速度;
步骤3.2,结合时间窗口模块,将速度和时间窗口阈值结合得出初步理论距离从而设置极限距离阈值。
5.一种识别***的方法,其特征在于,该方法包括:
构建***模型数据库,该数据库由嫌疑对象库和实体库形成映射关系库,并且由对象库、实体库和映射关系库的数据共同构成***模型数据库;
根据业务场景制定阈值的大小,调整滑窗范围;
基于距离计算公式,计算两地/多地之间的距离,该计算过程包括极限距离计算和欧式距离计算。
6.根据权利要求5所述识别***的方法,其特征在于,极限距离计算过程包括三个步骤,
步骤1,设置车辆轨迹映射,构建同一车牌在两点/多点形成的点位映射关系;
步骤2,设置时间窗口阈值;
步骤3,计算路径及设置理论距离阈值,根据业务场景以及需求,将点位经纬度结合适应性比较高的距离计算公式和相关函数等计算出两条/多条轨迹之间的间距,
所述步骤1包括如下步骤:
步骤1.1,取符合业务需求的相关时间区间内的车牌数据;
步骤1.2,结合实体库PGIS经纬度数据,把分析对象和实体形成映射关系库;
所述步骤2包括步骤:
步骤2.1,结合路况复杂程度和时间段来设置阈值;
所述步骤3包括步骤:
步骤3.1,将不同的业务场景对应不同的距离计算方法,确定该路段在相关时间段内的路况复杂程度得出车辆产生轨迹的max极限速度和min极限速度,然后得出平均极限速度;
步骤3.2,结合时间窗口模块,将速度和时间窗口阈值结合得出初步理论距离从而设置极限距离阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238736.5A CN109859492A (zh) | 2019-03-27 | 2019-03-27 | 一种识别***的***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910238736.5A CN109859492A (zh) | 2019-03-27 | 2019-03-27 | 一种识别***的***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109859492A true CN109859492A (zh) | 2019-06-07 |
Family
ID=66902142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910238736.5A Pending CN109859492A (zh) | 2019-03-27 | 2019-03-27 | 一种识别***的***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859492A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017444A (zh) * | 2020-08-28 | 2020-12-01 | 上海依图网络科技有限公司 | 一种***辆检测方法及其装置、介质和*** |
CN112309126A (zh) * | 2020-10-30 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种***辆缉查布控方法 |
CN104517445A (zh) * | 2014-12-09 | 2015-04-15 | 浪潮电子信息产业股份有限公司 | 一种基于大数据的***辆识别方法 |
CN104537210A (zh) * | 2014-12-09 | 2015-04-22 | 深圳市华仁达技术有限公司 | 一种基于邻近卡口自动寻找套牌时间阀值配置算法 |
CN106251635A (zh) * | 2016-08-18 | 2016-12-21 | 武汉中科通达高新技术股份有限公司 | 一种套牌嫌疑车牌号的识别方法及*** |
CN107204117A (zh) * | 2016-03-20 | 2017-09-26 | 徐超 | ***的识别方法 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的***检测方法 |
-
2019
- 2019-03-27 CN CN201910238736.5A patent/CN109859492A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104103173A (zh) * | 2014-07-22 | 2014-10-15 | 银江股份有限公司 | 一种***辆缉查布控方法 |
CN104517445A (zh) * | 2014-12-09 | 2015-04-15 | 浪潮电子信息产业股份有限公司 | 一种基于大数据的***辆识别方法 |
CN104537210A (zh) * | 2014-12-09 | 2015-04-22 | 深圳市华仁达技术有限公司 | 一种基于邻近卡口自动寻找套牌时间阀值配置算法 |
CN107204114A (zh) * | 2016-03-18 | 2017-09-26 | 中兴通讯股份有限公司 | 一种车辆异常行为的识别方法及装置 |
CN107204117A (zh) * | 2016-03-20 | 2017-09-26 | 徐超 | ***的识别方法 |
CN106251635A (zh) * | 2016-08-18 | 2016-12-21 | 武汉中科通达高新技术股份有限公司 | 一种套牌嫌疑车牌号的识别方法及*** |
CN107967806A (zh) * | 2017-12-01 | 2018-04-27 | 深圳云天励飞技术有限公司 | 车辆套牌检测方法、装置、可读存储介质及电子设备 |
CN108460328A (zh) * | 2018-01-15 | 2018-08-28 | 浙江工业大学 | 一种基于多任务卷积神经网络的***检测方法 |
Non-Patent Citations (1)
Title |
---|
王涛等: "交通流大数据中的***并行检测方法", 《湖北工程学院学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112017444A (zh) * | 2020-08-28 | 2020-12-01 | 上海依图网络科技有限公司 | 一种***辆检测方法及其装置、介质和*** |
CN112309126A (zh) * | 2020-10-30 | 2021-02-02 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
CN112309126B (zh) * | 2020-10-30 | 2022-07-05 | 杭州海康威视数字技术股份有限公司 | 车牌检测方法、装置、电子设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
CN102800207B (zh) | 交通信号检测***和方法 | |
US7627414B2 (en) | Road map management system | |
CN105488498A (zh) | 一种基于激光点云的车道边线自动提取方法及*** | |
CN105608417B (zh) | 交通信号灯检测方法及装置 | |
Gikas et al. | A novel geodetic engineering method for accurate and automated road/railway centerline geometry extraction based on the bearing diagram and fractal behavior | |
CN110188797A (zh) | 一种基于贝叶斯优化的智能汽车快速测试方法 | |
CN110705484B (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
US9725092B2 (en) | Method, host vehicle and following space management unit for managing following space | |
CN109859492A (zh) | 一种识别***的***和方法 | |
US10109191B2 (en) | Method of quickly detecting road distress | |
Wood et al. | EPA GHG certification of medium-and heavy-duty vehicles: Development of road grade profiles representative of US controlled access highways | |
CN115080638A (zh) | 微观仿真的多源数据融合分析方法、电子设备及存储介质 | |
CN116109986A (zh) | 一种基于激光雷达和视频技术互补的车辆轨迹提取方法 | |
Refai et al. | The study of vehicle classification equipment with solutions to improve accuracy in Oklahoma. | |
CN117521389A (zh) | 一种基于车路协同感知仿真平台的车辆感知测试方法 | |
CN110264725B (zh) | 路段流量的确定方法及装置 | |
Bock et al. | Learning on-street parking maps from position information of parked vehicles | |
CN116416780A (zh) | 一种路侧感知***的测试方法、装置、测试设备和介质 | |
CN115956190A (zh) | 用于提供高分辨率数字地图的方法和设备 | |
CN111462478B (zh) | 一种城市路网信号控制子区划分方法及装置 | |
Dülgar et al. | Analysis of microstructures in traffic jams on highways based on drone observations | |
Blachut et al. | Automotive Perception System Evaluation with Reference Data from a UAV’s Camera Using ArUco Markers and DCNN | |
CN112533208A (zh) | 模型训练方法、虚假终端识别方法和装置、电子设备 | |
CN114999151B (zh) | Gps轨迹中基于密度的城市交通流分层次分析方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190607 |